Frage  |
Antworten |
|
Lernen beginnen
|
|
Model uczenia nadzorowanego podejmujący decyzje poprzez sekwencję pytań o cechy danych
|
|
|
Elementy drzewa decyzyjnego Lernen beginnen
|
|
Składa się z korzenia węzłów decyzyjnych oraz liści zawierających decyzję
|
|
|
|
Lernen beginnen
|
|
Dane są dzielone według cech tak aby jak najlepiej rozdzielić klasy lub zminimalizować błąd
|
|
|
|
Lernen beginnen
|
|
Zbyt dobre dopasowanie modelu do danych treningowych skutkujące słabą generalizacją
|
|
|
Jak przeciwdziałać overfittingowi Lernen beginnen
|
|
Ograniczyć głębokość drzewa zastosować przycinanie lub minimalną liczbę próbek
|
|
|
|
Lernen beginnen
|
|
Metoda zespołowa polegająca na trenowaniu wielu modeli na losowych próbkach danych
|
|
|
|
Lernen beginnen
|
|
Zmniejszenie wariancji modelu i ograniczenie overfittingu
|
|
|
|
Lernen beginnen
|
|
Zespół drzew decyzyjnych uczonych metodą baggingu z losowym wyborem cech
|
|
|
|
Lernen beginnen
|
|
Metoda zespołowa w której kolejne modele uczą się na błędach poprzednich
|
|
|
|
Lernen beginnen
|
|
Minimalizacja błędu poprzez stopniowe poprawianie słabych modeli
|
|
|
|
Lernen beginnen
|
|
Metoda klasyfikacji i regresji oparta na maksymalizacji marginesu między klasami
|
|
|
|
Lernen beginnen
|
|
Wersja regresyjna SVM przewidująca wartości ciągłe z tolerancją błędu
|
|
|
|
Lernen beginnen
|
|
SVM służy do klasyfikacji a SVR do regresji
|
|
|
|
Lernen beginnen
|
|
Model opisujący zależność liniową pomiędzy cechami a wynikiem
|
|
|
|
Lernen beginnen
|
|
Model umożliwiający opisywanie zależności nieliniowych
|
|
|
Zmiana modelu liniowego na wielomianowy Lernen beginnen
|
|
Zwiększa elastyczność modelu ale grozi overfittingiem
|
|
|
|
Lernen beginnen
|
|
Przypisywanie obiektów do jednej z określonych klas
|
|
|
|
Lernen beginnen
|
|
Przewidywanie wartości liczbowych ciągłych
|
|
|
|
Lernen beginnen
|
|
Grupowanie danych bez etykiet na podstawie podobieństwa
|
|
|
Różnica klasyfikacji i klasteryzacji Lernen beginnen
|
|
Klasyfikacja używa etykiet a klasteryzacja nie
|
|
|
|
Lernen beginnen
|
|
Algorytm klasteryzacji dzielący dane na k klastrów minimalizując odległość od centroidów
|
|
|
|
Lernen beginnen
|
|
Wymaga podania liczby klastrów i jest wrażliwy na obserwacje odstające
|
|
|
Klasteryzacja hierarchiczna Lernen beginnen
|
|
Metoda tworząca hierarchię klastrów poprzez ich łączenie lub dzielenie
|
|
|
Klasteryzacja gęstościowa Lernen beginnen
|
|
Metoda oparta na zagęszczeniu punktów danych np DBSCAN
|
|
|
Różnica hierarchicznej i gęstościowej Lernen beginnen
|
|
Hierarchiczna tworzy strukturę drzewa a gęstościowa wykrywa skupiska
|
|
|
|
Lernen beginnen
|
|
Tabela przedstawiająca poprawne i błędne decyzje klasyfikatora
|
|
|
|
Lernen beginnen
|
|
Poprawnie wykryta klasa pozytywna
|
|
|
|
Lernen beginnen
|
|
Błędnie wykryta klasa pozytywna
|
|
|
|
Lernen beginnen
|
|
Niewykryta klasa pozytywna
|
|
|
|
Lernen beginnen
|
|
Poprawnie wykryta klasa negatywna
|
|
|
|
Lernen beginnen
|
|
Stosunek poprawnych predykcji do wszystkich predykcji
|
|
|
|
Lernen beginnen
|
|
Udział poprawnych predykcji pozytywnych we wszystkich pozytywnych
|
|
|
|
Lernen beginnen
|
|
Udział wykrytych przypadków pozytywnych
|
|
|
|
Lernen beginnen
|
|
Średnia harmoniczna precision i recall
|
|
|
|
Lernen beginnen
|
|
Stosowana gdy ważne jest ograniczenie fałszywych alarmów
|
|
|
|
Lernen beginnen
|
|
Stosowana gdy ważne jest wykrycie wszystkich przypadków
|
|
|
|
Lernen beginnen
|
|
Model opisujący liniową zależność pomiędzy zmiennymi
|
|
|
Założenie regresji liniowej Lernen beginnen
|
|
Reszty mają rozkład normalny i stałą wariancję
|
|
|
|
Lernen beginnen
|
|
Regresja niewrażliwa na obserwacje odstające
|
|
|
|
Lernen beginnen
|
|
Miara jakości regresji oparta na średnim kwadracie błędów
|
|
|
Różnica regresji i klasyfikacji Lernen beginnen
|
|
Regresja przewiduje wartości a klasyfikacja klasy
|
|
|
